This paper presents a careful analy

This paper presents a careful analysis of arguments
for both methods. It also introduces a new method of
feature selection that is based on the concept of boosting
from computational learning theory and combines
the advantages of filter and wrapper methods. Like
filters, it is very fast and general, while at the same
time using knowledge of the learning algorithm to inform
the search and provide a natural stopping criterion.
We present empirical results using two different
wrappers and three variants of our algorithm. The experiments
use six datasets and three different learning
algorithms, namely Naive Bayes (NB), ID3 with χ2
pruning (ID3), and k-Nearest Neighbors (k-NN).

ผลลัพธ์ (ไทย) 1:

เอกสารนี้นำเสนอการวิเคราะห์อย่างระมัดระวังของอาร์กิวเมนต์สำหรับทั้งสองเมธอด มันยังแนะนำวิธีการใหม่เลือกคุณลักษณะตามแนวคิดของการส่งเสริมจากทฤษฎีการเรียนรู้คอมพิวเตอร์และรวมข้อดีของวิธีการกรองและกระดาษห่อ เช่นกรอง มันเป็นอย่างรวดเร็ว และทั่ว ไป ในขณะที่เดียวกันเวลาที่ใช้ความรู้ของอัลกอริทึมการเรียนรู้เพื่อแจ้งให้ทราบการค้นหา และให้เงื่อนไขการหยุดธรรมชาติเรานำผลรวมที่ใช้สองแตกต่างกันห่อและตัวแปรที่สามของอัลกอริทึมของเรา การทดลองใช้หก datasets และเรียนรู้ที่แตกต่างกันสามอัลกอริทึม ได้แก่ Naive Bayes (NB), ID3 กับ χ2ตัด (ID3), และ (k-NN) k ใกล้บ้าน

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอการวิเคราะห์ระมัดระวังของการขัดแย้งสำหรับทั้งสองวิธี นอกจากนี้ยังแนะนำวิธีการใหม่ของการเลือกคุณลักษณะที่จะขึ้นอยู่กับแนวคิดของการส่งเสริมจากทฤษฎีการเรียนรู้การคำนวณและรวมข้อดีของวิธีการกรองและเสื้อคลุม เช่นเดียวกับตัวกรองมันเป็นอย่างรวดเร็วและโดยทั่วไปในขณะที่ในเวลาเดียวกันเวลาที่ใช้ความรู้ขั้นตอนวิธีการเรียนรู้ที่จะแจ้งให้ค้นหาและให้เกณฑ์การหยุดธรรมชาติ. เรานำเสนอผลการศึกษาที่แตกต่างกันโดยใช้สองห่อและสามสายพันธุ์ของอัลกอริทึมของเรา การทดลองใช้หกชุดข้อมูลและการเรียนรู้ที่แตกต่างกันสามขั้นตอนวิธีการคือหน่อมแน้มเบส์(NB), ID3 χ2มีการตัดแต่งกิ่ง(ID3) และ k-เพื่อนบ้านที่ใกล้ที่สุด (k-NN)

ผลลัพธ์ (ไทย) 3:

บทความนี้นำเสนอการวิเคราะห์ระมัดระวังของอาร์กิวเมนต์
สำหรับทั้งสองวิธี นอกจากนี้ยังได้เสนอวิธีการใหม่ของ
การเลือกคุณลักษณะที่อยู่บนพื้นฐานของแนวคิดการส่งเสริม

จากทฤษฎีการเรียนรู้เชิงคำนวณและรวมข้อดีของตัวกรองและวิธีกระดาษห่อ เหมือน
กรอง มันรวดเร็วมาก และทั่วไปในขณะที่ในเวลาเดียวกันการใช้ความรู้ของขั้นตอนวิธีการเรียนรู้

เพื่อแจ้งให้ทราบการค้นหาและธรรมชาติให้หยุดเรียน เราแสดงผลเชิงประจักษ์โดยใช้

สองห่อและแตกต่างกันสามตัวแปรของขั้นตอนวิธีการของเรา การทดลองใช้หก
3
ขั้นตอนวิธีการเรียนรู้ข้อมูลแตกต่างกัน คือ Naive Bayes ( NB ) , ID3 กับχ 2
( ID3 ) , และการตัดแต่งกิ่งละเพื่อนบ้าน ( k-nn )